基于多源数据和广义回归神经网络的ZWD预报模型

P228; 对流层湿延迟是GNSS误差源较难改正的部分.主流的天顶湿延迟(ZWD)经验模型大多基于单源数据,如探空数据或再分析资料的一种,且通过预设模型函数表征ZWD在不同尺度上的变化,难以准确描述ZWD在不同尺度上的非线性复杂变化,精度有待进一步提高.针对此问题,基于多源数据和具有强大非线性逼近能力的广义回归神经网络(GRNN),构建了一种ZWD预报模型.首先,采用GRNN模型优化和降采样两种不同数据源的格网ZWD,并将其与探空ZWD合并,获取高质量的ZWD数据集;然后,根据ZWD受时空影响较大的特点和机器学习的特点,设计了GRNN训练模型的输入变量和输出变量;最后,采用后验寻优的方法确定模...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 52; no. 9; pp. 1492 - 1503
Main Authors 黎峻宇, 姚宜斌, 刘立龙, 张豹, 黄良珂, 曹利颖
Format Journal Article
LanguageChinese
Published 广西空间信息与测绘重点实验室,广西 桂林541006%武汉大学测绘学院,湖北 武汉 430079 01.09.2023
桂林理工大学测绘地理信息学院,广西 桂林 541006
Subjects
tropospheric wet delay
multi-source data
预报
nonlinear approximation
对流层湿延迟
多源数据
prediction
非线性逼近
GRNN
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2023.20220084

Cover

More Information
Summary:P228; 对流层湿延迟是GNSS误差源较难改正的部分.主流的天顶湿延迟(ZWD)经验模型大多基于单源数据,如探空数据或再分析资料的一种,且通过预设模型函数表征ZWD在不同尺度上的变化,难以准确描述ZWD在不同尺度上的非线性复杂变化,精度有待进一步提高.针对此问题,基于多源数据和具有强大非线性逼近能力的广义回归神经网络(GRNN),构建了一种ZWD预报模型.首先,采用GRNN模型优化和降采样两种不同数据源的格网ZWD,并将其与探空ZWD合并,获取高质量的ZWD数据集;然后,根据ZWD受时空影响较大的特点和机器学习的特点,设计了GRNN训练模型的输入变量和输出变量;最后,采用后验寻优的方法确定模型参数,进而获得最优的预报模型.经探空ZWD验证,相比国际典范经验模型GPT2w,模型的精度提高了25.3％(以RMS计);相对同方法单源(探空)数据模型,精度改善了11.1％;且模型的预报精度具有良好的时空稳定性.此外,计算效率和PPP应用试验结果表明,模型的计算效率可满足GNSS实时应用的需求,且应用于PPP的改进效果优于GPT2w.本文所提方法无须预设模型函数即可获得较高的ZWD预报精度,为ZWD模型化提供了一种思路.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2023.20220084